もっと速く入力 声で

声がキーボードを上回る理由

まず生の速度から始めましょう。これだけで議論のほとんどが解決します。タイピングはほとんどの人で1分あたり約40語です。話すのは150語に近い。これは約3.5倍速く、メール、チャット、メモ、ほぼあらゆる最初の草稿にも当てはまります。このギャップは微妙ではなく、いくら練習してもキーボードでは埋まりません。ボトルネックはキーへの慣れではなく、指自体だからです。

1分あたりの語数に現れない2つ目のメリットがあります。タイピングするとき、手はキーボードに縛られ、目は画面を見ています。話すとき、両方が自由です。オーブンから何か取り出しながら、歩きながら、片手でコーヒーを持ちながら返信を口述できます。速度は見出しで、解放された手は一週間後に気づくものです。

これはすべて声がキーボードを置き換えるという意味ではありません。長文のデフォルトがキーボードでなくなるということです。短く、正確で、細かいものは引き続きタイプします。段落は話します。今のほとんどの人は比率が逆で — すべてをタイプし、手がふさがっているときだけ電話に話しかけます。それを逆にすることが最大の収益です。

音声入力が実際にどう機能するか

仕組みはマーケティングが聞かせるより単純です。ホットキーを押して、話して、離す。音声がテキストに文字起こしされ、そのテキストがカーソルのある場所に貼り付けられます。これがサイクル全体です。単語を取り出す別の文字起こしウィンドウも、アップロード待ちも、コピー貼り付けの手間もありません。入力しているアプリから見れば、まるでタイプしたようにしか見えません。

それを使いやすくするのは、「話す」と「貼り付ける」の間に起こることです。優れたディクテーションはそのギャップで2つの仕事をします。まず音を正確に言葉に変換し、ポーズから推論される句読点も含めます。次に、オプションでフィラーを除去してフレーズを整えるクリーンアップパスを実行します。2番目のステップを省略すると正確だが乱雑な文字起こしが得られます。保持すると丁寧に書いたかのように読めるものが得られます。このガイドの残りはその2つをうまく行うことについてです。

システム全体のホットキーを設定する

音声入力がどこでも機能する理由は、1つのアプリに縛られていないからです。Whisper by Remskillはキーボードのように動作するデスクトップアプリです：ホットキーを押し続けて話すと、メールクライアント、ドキュメント、チャットボックス、コードコメント、メモアプリ、フォーカスしているものなら何でも、カーソル位置に文字起こしが貼り付けられます。ブラウザ拡張機能でも特定プログラムのプラグインでもありません。コンピューターにとってはただタイプしているだけで、だからこそ特定のアプリだけでなくすべてのアプリで動作します。

起動には約1分かかります：

設定はこれだけです。その後のサイクルはすべてのアプリで同じ：カーソル、押し続ける、話す、離す、そして言葉が現れます。

話すと、言葉がどのアプリにも届く

動作すると、経験は最良の意味で地味です。テキストフィールドにカーソルを置いてキーを押し続け、話し、離す。約1秒後にタイプしたかのようにテキストがそこにあります。同じ押し方が受信トレイ、共有ドキュメント、チャットスレッド、コミットメッセージを書くボックスで機能します。アプリごとのコツを学ぶのではありません。1つのキーを学び、それを忘れます。どこでも同じことをするからです。

ローカル文字起こしは自分のマシンで動作する（純粋なRust、Pythonサイドカーなし、ループ内にサーバーなし）ため、インターネットなしで動作します。これは聞こえるより重要です。上司へのメール、契約書の半分できた段落、同僚についてのメモ — それらをタイプする代わりに言えるようにするだけのために、ベンダーのログに送信する必要はありません。ノートパソコンにはすでにマイクとプロセッサーがあります；段落のディクテーションには中間のサーバーは不要です。

AIクリーンアップが使いやすくする

話し言葉はページ上では乱雑です。「えー」と言い、途中で文を再スタートし、「わかるよね」を意味するノイズで終わります。そのまま貼り付けると、文章ではなく文字起こしのように読めます。Whisperには貼り付け前にフィラーを除去してフレーズを整える任意のAI拡張ステップがあります。「えー、そう、だから、その報告書はほぼ完成してて、送っていいかな、うん、大丈夫だと思う」が「報告書はほぼ完成しています；送っても大丈夫だと思います。」になります。この1ステップが、後で修正するディクテーションとそのまま送るディクテーションの違いです。

そのクリーンアップはOllama経由でローカルに、無料で、自分のマシンで実行されるため、文字起こしと並んでオフラインで動作します。Proユーザーはクラウド経由にルーティングできますが、フィラー除去の恩恵にProは不要です；無料のローカルパイプラインにあります。生の言葉が欲しいときは完全にオフにできます。素早いチャットメッセージには往々にしてそれが正解です。ポイントはクリーンアップが存在すること、常に望むわけではないことです。

最も役立つ場所

メリットは、タイピングが面倒で後回しにしがちなテキストに集中します。メールは明らかな例です：タイプするのに3分かかる返信が30秒で言えて、他のことをしながらできます。1〜2文を超えるチャットメッセージ。ドキュメントの最初の草稿（完成品をタイプするのではなく、言葉を書き留めて後で編集することが目標）。自分へのメモ。コードコメントとコミットメッセージ（タイピング姿勢を崩さずに意図を説明したいとき）。そして毎回過小評価するもの：AIツールへのプロンプト（基本的に普通の言葉の段落で、話すのに完璧）。

共通点に注目してください。いずれも数語より長く、正確なフォーマットを必要としません。それが声のスイートスポットです。スプレッドシートの数式や精密な括弧付きのコードをディクテーションするのではありません。散文を生産しているのです。声はそのために作られています。

Whisperアプリ全体の見た目

ホットキーは90%の時間使う部分ですが、調整したいときのための設定画面があります。文字起こしエンジンを選べます：99言語をカバーする多言語バリアントと英語のみの.enビルドを持つWhisperモデル、またはNVIDIAのParakeet（約600MB、CPUでWhisperより5〜10倍速く、英語と24のヨーロッパ言語をカバー）。ホットキーを設定し、履歴を管理し、プリセットを保存します。これらは最初の文をディクテーションするのに必要ありません。より細かな制御が欲しいときのためにあります。

タイピングがまだ勝つとき

声はすべてのテキスト行に対する答えではなく、誠実なガイドはそれを言います。正確なコード構文が最も明確なケースです：括弧、演算子、変数名をディクテーションするのは、ただタイプするより遅くエラーが出やすいです。密度の高いフォーマット、テーブル、数学、構造が言葉と同じくらい重要なもの — キーボードが勝ちます。騒がしいオープンスペースの事務所や騒々しい部屋は精度を落とし、気まずさも加わります。本当に短いスニペット（3語の返信や1行検索）は、声に切り替えると節約より時間がかかります。短く精確 — タイピングを続ける。長く散文的 — 話す。

何かをインストールする前に、すでに持っているものを確認してください。Windowsには音声入力が組み込まれています：任意のテキストボックスでWindowsロゴキーとHを押すと開きます。Macにはキーボード設定にディクテーションが組み込まれており、Apple siliconではインターネットなしでオンデバイスで動作します。両方無料、両方あらゆるアプリに入力でき、たまに使う段落には十分です。すでにOSが無料でやっていることを置き換えるためにディクテーションツールに支払うことはしません。

専用アプリが優れているのは、量、フィラー除去、そして時々ではなく一日中オフラインでディクテーションできることです。声で生産するテキストが多いほど、それらが重要になります。1通のメッセージなら、すでに持っているキーを使ってください。長いメッセージと草稿の仕事日には、タイプする必要がなかった2〜3段落目あたりで専用アプリがオーバーキルに感じなくなります。

Whisperの料金

ローカルディクテーションパイプライン（Ollama経由の文字起こしとAIクリーンアップの両方）は、サインアップ時にカードなしで、サインインしているすべてのユーザーに無料です。つまり、WhisperでVoice入力を使って速くタイピングすることは、始めるのに何も費用がかかりません。Whisper Proはクラウド機能（OpenAI文字起こし、クラウドAI強化、音声Web検索）を追加し、別途のトライアルがあります。正確な数字は料金ページにあります。価格は変わるため、ブログ投稿で最新を保つのは適切ではありません。

私が繰り返し思うのは、これはトリックでも寿命のある生産性ハックでもないということです。ただの速い入力方法で、本物の仕事はタイピングを意味するという前提に隠れて、ずっと見え隠れしていました。使うかどうかに関わらず、声は1分あたり150語で動作します。コードやスプレッドシートのためにキーボードはまだあります。それ以外のすべては、ただ言うだけでいいのです。